自动驾驶汽车（AV）需要根据行驶条件进行更新。过去的研究设想通过专注的毫米波无线电波束来传输道路基础设施的更新信息。不过，仍然存在一些挑战，例如准确确定快速移动的AV的位置以便通过波束跟踪它，以及在短时间内形成可靠地以高速率和低延迟传输数据的最佳波束。

为了应对这两个挑战，NIST的研究人员分析了这些道路基础设施的研究，并开发了一种使用“强化学习”的方法，这是一种通过奖励系统以实现预期性能的人工智能形式。该方法在《IEEE智能交通系统期刊》上发表的《用于5G V2X（车辆到一切）网络的深度强化学习辅助波束跟踪和数据传输》一文中进行了描述。

该方法的强化学习帮助道路基础设施优化基于下行链路的快速移动AV位置的预测。它还帮助道路基础设施形成和调整最佳波束模式以向AV传输数据。

这种方法基于NIST的研究人员使用了一个强化学习框架，他们将影响车辆对基础设施通信性能的参数映射成状态、行动和奖励形式。他们还发现通过修正这个框架可以增加波束跟踪的准确性和波束优化。

NIST的研究人员使用了模拟来评估这种方法。结果显示，这种方法在跟踪准确性、数据率和时间效率方面表现良好。模拟还显示所选择的框架优于其他被考虑的框架。